CN110235136A - 自动身份检测 - Google Patents

自动身份检测 Download PDF

Info

Publication number
CN110235136A
CN110235136A CN201780069567.6A CN201780069567A CN110235136A CN 110235136 A CN110235136 A CN 110235136A CN 201780069567 A CN201780069567 A CN 201780069567A CN 110235136 A CN110235136 A CN 110235136A
Authority
CN
China
Prior art keywords
detection device
body detection
server
picture
fisrt feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780069567.6A
Other languages
English (en)
Other versions
CN110235136B (zh
Inventor
蒋伟
王炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN110235136A publication Critical patent/CN110235136A/zh
Application granted granted Critical
Publication of CN110235136B publication Critical patent/CN110235136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种对象检测设备，用于执行指令以执行：(301)在第一时刻获得包括第一对象的第一图片；(302)基于所述第一图片确定所述第一对象的第一特征图案；(303)基于所述第一特征图案生成所述第一对象的第一特征图；(304)基于所述第一特征图生成所述第一对象的第一特征向量；(305)将所述第一特征向量发送给服务器。所述第一特征向量是由所述对象检测设备基于所述第一特征图生成的，而不是基于所述第一图片开始另一直接生成所述第一特征图的过程。因此，生成特征向量的速度和计算资源成本可能会更好。

Description

自动身份检测
相关申请案交叉申请
本申请要求于2016年11月15日递交的发明名称为“自动身份检测”的第15/352,301号美国非临时专利申请案的在先申请优先权，该在先申请的内容以引入的方式并入本文。
背景技术
智能身份识别是自动控制系统，例如机器人中的自动控制系统的重要能力。能够检测和识别人脸在各种应用中是必不可少的，例如家庭安全和监控，以及个性化和自然的用户机器人交互。使用深度神经网络的人脸检测和人脸识别的最近显著进步使得能够处理若干具有挑战性的情况：大的姿势变化，艰难的照明条件等。然而，实际系统在个性化家庭环境中操作仍然存在一些问题，如计算能力的限制。
发明内容
在一实施例中，本发明包括一种检测身份的方法。该方法包括：对象检测设备在第一时刻获得包括第一对象的第一图片；对象检测设备基于所述第一图片确定所述第一对象的第一特征图案；对象检测设备基于所述第一特征图案生成所述第一对象的第一特征图；对象检测设备基于所述第一特征图生成所述第一对象的第一特征向量；对象检测设备将所述第一特征向量发送给服务器。在本实施例中，所述第一特征向量是基于所述第一特征图生成的，而不是基于所述第一图片开始另一直接生成所述第一特征图的过程。因此，生成特征向量的速度和计算资源成本可能会更好。
在另一实施例中，本发明包括一种对象检测设备。该对象检测设备包括包含指令的非瞬时性存储器和与所述存储器通信的处理器。所述处理器用于执行所述指令以：在第一时刻获得包括第一对象的第一图片；基于所述第一图片确定所述第一对象的第一特征图案；基于所述第一特征图案生成所述第一对象的第一特征图；基于所述第一特征图生成所述第一对象的第一特征向量；将所述第一特征向量发送给服务器。在本实施例中，所述第一特征向量是由所述对象检测设备基于所述第一特征图生成的，而不是基于所述第一图片开始另一直接生成所述第一特征图的过程。因此，生成特征向量的速度和计算资源成本可能会更好。
附图说明
为了更透彻地理解本发明，现参阅结合附图和具体实施方式而描述的以下简要说明，其中的相同参考标号表示相同部分。
图1示出了本发明实施例提供的网络100的示意图；
图2示出了本发明实施例提供的网络200的示意图；
图3示出了本发明实施例提供的方法300的流程图；
图4示出了本发明实施例提供的方法400的流程图。
具体实施方式
首先应理解，尽管下文提供一项或多项实施例的说明性实施方案，但所公开的系统和/或方法可使用任何数量的技术来实施，无论该技术是当前已知还是现有的。本发明决不应限于下文所说明的说明性实施方案、附图和技术，包含本文所说明并描述的示例性设计和实施方案，而是可在所附权利要求书的范围以及其等效物的完整范围内修改。
此外，在不脱离本发明的范围的情况下，各种实施例中描述和说明为离散或单独的技术、系统、子系统和方法可以与其它系统、模块、技术或方法进行组合或集成。展示或论述为彼此耦合或直接耦合或通信的其它项也可以采用电方式、机械方式或其它方式经由某一接口、设备或中间组件间接地耦合或通信。其它改变、替代和更改的实例可以由本领域的技术人员在不脱离本文所公开的精神和范围的情况下确定。
在一些实施例中，对象检测设备可以获得包括对象的图片，其中，该对象可以是人或机器人。所述对象检测设备可以基于所述图片确定所述对象的特征图案，例如人的脸部。所述对象检测设备还可以基于所述特征图案生成特征图。所述对象检测设备基于所述特征图而不是直接基于所述图片可以生成特征向量，并将所述特征向量发送给服务器进行对象识别。由于特征向量是基于特征图生成的并且服务器直接基于接收到的特征向量进行对象识别，因此生成特征向量的速度和计算资源成本可优于直接基于图片生成特征向量的速度和计算资源成本。在一些实施例中，由于对象检测设备可以向服务器传输向量而不是图片，因此传送向量的数据传送成本可优于传送图片的数据传送成本。
图1示出了本发明实施例提供的网络100的示意图。如图1所示，网络100包括服务器110，路由器120，对象检测设备130_1，对象检测设备130_2以及对象检测设备130_3(对象检测设备130_1至130_3可以统称为对象检测设备130)。尽管图1示出了3个对象检测设备130，但是可以有更少或更多的对象检测设备与路由器120耦合。在一些实施例中，多个对象检测设备130中的每一个可以位于各自的区域中。如图1所示，对象检测设备130_1、130_2和130_3分别位于区域140_1、140_2和140_3(统称为区域140)中。即使图1示出了每个区域的一个对象检测设备，在可替换实施例中，每个区域例如区域140_1可以具有一个或多个对象检测设备130。在一些实施例中，对象检测设备130_1、130_2和130_3可以分别通过Wi-Fi路由器150_1、150_2和150_3(统称为Wi-Fi路由器150)与路由器120通信耦合。在一些实施例中，对象检测设备130可以通过基站160与路由器120通信连接。路由器120耦合到服务器110。
在一些实施例中，如图1所示的区域140中的每一个可以是一个或多个房间或建筑物。例如，一些区域140可以是独立的房间，而其余的区域140可以是独立的建筑物。
对象检测设备130中的一个可以是具有类似于人类的外观的可移动电子机器人，例如对象检测设备130_2或130_3。或者，对象检测设备130中的一个可以是不具有类似于人类的外观的可移动的或固定的电子设备，例如对象检测设备130_1。对象检测设备130_1可以是个人电脑、智能手机、个人数字助理(personal digital assistant，简称PDA)、笔记本电脑或平板电脑。在一实施例中，对象检测设备130中的每一个可以包括相机以捕获区域140的对应区域的图片。例如，对象检测设备130_1中的相机可以用于拍摄对象检测设备130_1所在的区域140_1中的对象的图片。对象检测设备130中的每一个中的相机可以包括光传感器、热传感器或光传感器和热传感器的组合。在可替换实施例中，对象检测设备130中的至少一个可以包括没有任何相机的接口，并且该接口可以用于耦合到对象检测设备130中的至少一个外部的外部相机，使得对象检测设备130中的至少一个可以通过该接口接收由该外部相机拍摄的图像。
为了通过Wi-Fi路由器150或基站160与路由器120进行通信，对象检测设备130中的每一个可以配备有硬件通信模块。该硬件通信模块可以是如以太网接口卡的有线网络的接口、如Wi-Fi单元的无线局域网(wireless local access network，简称WLAN)单元或如全球移动通信系统(Global system for mobile communication，简称GSM)单元、码分多址接入(Code Division Multiple Access，简称CDMA)单元、宽带码分多址(Wideband CodeDivision Multiple Access，简称WCDMA)单元、CDMA 2000单元和长期演进(Long TermEvolution，简称LTE)单元的移动通信单元，其中，移动通信单元可能需要物理或虚拟用户识别模块(Serving in Mission，简称SIM)卡或SIM标识。
网络100中的任何两个设备之间的通信连接或转发可以是直接或间接通过至少一个中间设备。在一些实施例中，服务器110可以位于对象检测设备130附近，使得服务器110可以在没有任何路由器或任何其他中间设备的情况下与对象检测设备130耦合。
在一些实施例中，路由器120可以是传统的IP路由器或SDN中的转发设备。服务器110和路由器120可以处于相同的域或不同的域中。路由器120和服务器110可以通过IP连接、标签交换路径(Label Switched Path，简称LSP)和/或伪线(Pseudo Wire，简称PW)耦合。
图2示出了本发明实施例提供的网络200的示意图。网络200可以包括服务器210和对象检测设备230。在一些实施例中，网络200可以被认为是简化网络100或网络100的一部分，并且服务器210可以与图1中的服务器110相同，对象检测设备230可以与对象检测设备130中的任一个相同。在网络200中，服务器210和对象检测设备230之间的通信连接可以包括有线连接、无线连接或有线连接和无线连接的组合。例如，对象检测设备230可以通过图1所示的网络中的Wi-Fi路由器150和路由器120与服务器210耦合。又如，对象检测设备230可以通过图1所示的网络中的基站160和路由器120与服务器210耦合。
对象检测设备230可以包括处理器231、存储器232、电源233、收发(transmitting/receiving，简称Tx/Rx)设备234和输入/输出(Input/Out，简称I/O)设备235。在一些实施例中，处理器231可以包括一个或多个处理器。处理器231可作为一个通用处理器或者可作为一个或多个专用集成电路(application specific integrated circuit，简称ASIC)和/或数字信号处理器(digital signal processor，简称DSP)的一部分来实现。
在一些实施例中，存储器232、电源233、Tx/Rx设备234和I/O设备235都可以通过总线或专用连接与处理器231耦合。存储器232可以是随机存取存储器(random accessmemory，简称RAM)，如动态RAM(dynamic random access memory，简称DRAM)、静态RAM(static random access memory，简称SRAM)或只读存储器(read only memory，简称ROM)。在一些实施例中，存储器可以是固态驱动器(solid-state drive，简称SSD)或硬盘驱动器(hard disk drive，简称HDD)。存储器232可以包括软件模块，如图案模块232_1、图模块232_2和/或向量模块232_3。处理器231可读取存储器232的软件模块中的计算机可读代码或指令以使对象检测设备230能够执行一个或多个动作或操作。
在一些实施例中，Tx/Rx设备234可以包括用于传输和接收如Wi-Fi信号、WCDMA信号和/或LTE信号的无线信号的天线。在一些实施例中，Tx/Rx设备234可以包括用于与如以太网电缆的电缆耦合的网络接口。
在一些实施例中，传感器236可以是光传感器、热传感器或光传感器和热传感器的组合。所述传感器可以用于拍摄对象的图片。
服务器210可以包括处理器211、存储器212、电源213、收发(transmitting/receiving，简称Tx/Rx)设备214和输入/输出(Input/Out，简称I/O)设备215。在一些实施例中，处理器211可以包括一个或多个处理器。处理器211可作为一个通用处理器或者可作为一个或多个专用集成电路(application specific integrated circuit，简称ASIC)和/或数字信号处理器(digital signal processor，简称DSP)的一部分来实现。
在一些实施例中，存储器212、电源213、Tx/Rx设备214和I/O设备215都可以通过总线或专用连接直接或间接地与处理器211耦合。存储器212可以是随机存取存储器(randomaccess memory，简称RAM)，如动态RAM(dynamic random access memory，简称DRAM)、静态RAM(static random access memory，简称SRAM)或只读存储器(read only memory，简称ROM)。在一些实施例中，存储器可以是固态驱动器(solid-state drive，简称SSD)或硬盘驱动器(hard disk drive，简称HDD)。存储器212可以包括软件模块，如分类器模块212_1和训练模块212_2。处理器211可读取存储在存储器212的软件模块中的计算机可读代码或指令以使服务器210能够执行一个或多个动作或操作。
在一些实施例中，Tx/Rx设备214可以包括用于传输和接收如Wi-Fi信号、WCDMA信号和/或LTE信号的无线信号的天线。在一些实施例中，Tx/Rx设备214可以包括用于与如以太网电缆的电缆耦合的网络接口。
在一些实施例中，对象检测设备230中的图案模块232_1可用于确定或识别包括在对象检测设备230捕获或接收的图片中的对象的特征图案。在一些实施例中，所述特征图案是基于所述对象的一个或多个特定特征获得的。例如，如果所述对象是人，则所述对象的特定特征可以是人脸。在一些实施例中，所述对象的特定特征可以与所述对象的区别图案相关联或由所述对象携带。图模块232_2可用于基于所述特征图案生成所述对象的特征图。在一些实施例中，所述对象的特征图可以包括所述对象的特征图案中的一些三维(three-dimensional，简称3D)特征。向量模块232_3可用于基于所述对象的特征图生成所述对象的特征向量。在一些实施例中，所述对象的特征向量可以包括基于所述特征图生成的一些一维(one-dimensional，简称1-D)特征。在为所述对象生成所述特征向量之后，向量模块232_3也可用于通过Tx/Rx设备234将所述特征向量发送给服务器210，从而使得服务器210可以基于所接收到的特征向量确定是否可以识别所述对象。在一些实施例中，当服务器210识别特征向量时，可以指识别与所述特征向量相关联的对象或确定与所述特征向量相关联的对象的身份。确定或识别所述对象的身份可以指确定所述对象的标识。换句话说，识别特征向量可以指识别与所述特征向量相关联的对象的身份。在一些实施例中，对象检测设备230捕获或接收的图片可以包括多个对象。图案模块232_1可以确定每个对象的特征图案，或者可以确定一些对象的一些特征图案，或者可以确定对象中的一个的特征图案。
在一些实施例中，对象检测设备230可以捕获或接收多个图片，其中的每一个或一些可以分别包括一个或多个对象。图案模块232_1可以确定所述多个图片中的一些或全部对象的特征图案。
对象检测设备230可以基于每个或一些特征图案生成特征图和多个特征向量。因此，特征向量的数量可以等于或小于特征图案的数量。
在一些实施例中，对象检测设备230中的存储器232还可以包括跟踪模块232_4。跟踪模块232_4可用于获得对象检测设备230捕获或接收的图片中的对象的特定特征的一些基本图案信息。在一些实施例中，一个对象的特定特征可以是一个人、一个机器人、或者一个动物的脸。对象的特定特征的基本图案信息可以被称为所述对象的基本图案信息。所述基本图案信息可以通过选择或计算从对象的特征图案或图片中获得。所述基本图案信息可以从另一设备接收。所述基本图案信息可以是显着兴趣点，如特征图案中的角或线。跟踪模块232_4可以使用所述基本图案信息来跟踪对象。
例如，对象检测设备230可以获得第一对象的基本图案信息。此外，由于对象检测设备可以具有用于捕获图片的传感器，并且可以使用Tx/Rx设备234来接收网络中的相机拍摄的图片，因此对象检测设备230可以一直捕获或接收图片。跟踪模块232_4可以快速获得捕获或接收的图片中的第二对象的基本图案信息。对象的基本图案信息比与基本图案相关联的特征图案更简单。因此，获得对象的基本图案信息的速度比获得与基本图案相关联的特征图案的速度更快或更好。跟踪模块232_4还可以判断所述第二对象的基本图案信息是否与所述第一对象的基本图案信息相同或与所述第一对象的基本图案信息相似。如果第二对象的基本图案信息与所述第一对象的基本图案信息相同或与所述第一对象的基本图案信息相似，则可以将所述第二对象和所述第一对象确定为同一对象。
在一些实施例中，跟踪模块232_4可以将跟踪信息发送给服务器210，以指示由向量模块232_3发送的多个特征向量是所述同一对象的特征向量。例如，跟踪模块232_4可以指示多个特征向量的前十个特征向量是所述同一对象的特征向量。所述前十个特征向量中的每一个可以对应于所述同一对象的识别的特征图案。
在一些实施例中，跟踪模块232_4可以跟踪多个对象。例如，跟踪模块232_4可以跟踪第一对象和第二对象。跟踪模块232_4可以将跟踪信息发送给服务器210，其中，所述跟踪信息指示由向量模块232_3发送给服务器210的多个特征向量的第一部分是所述第一对象的特征向量和由向量模块232_3发送给服务器的多个特征向量的第二部分是所述第二对象的特征向量。更具体地，向量模块232_3可以将特征向量1至20发送给服务器210，并且跟踪模块232_4可以将跟踪信息发送给服务器210，指示特征向量1至10是所述第一对象的特征向量而特征向量11至20是所述第二对象的特征向量。
在一些实施例中，存储器232还可以包括验证模块232_5。当对象检测设备230从服务器210接收到与对象相关联的验证指令时，验证模块232_5可以对所述对象进行验证。如果所述对象通过验证，验证模块232_5可以通过向所述对象发送请求来获得所述对象的标识，如人的姓名，然后将所述对象的标识发送给服务器210。
在一些实施例中，当服务器210接收到对象的特征向量时，存储器212中的分类器模块212_1可以确定是否能够识别所述对象。如果与所述特征向量相关联的对象能够被识别为与已知身份相关联，训练模块212_2可以使用所述特征向量来更新识别所述对象的身份的能力，使得识别所述对象的身份的能力能够改进。例如，在分类器模块212_1确定与所述特征向量相关联的对象的身份之后，训练模块212_2可以使用服务器210接收到的特征向量作为附加训练数据来训练或改进识别身份的能力，并且分类器模块212_1可以以改进的识别能力来更新。在一些实施例中，识别对象可以指识别所述对象的身份。所述对象的身份可以由所述对象的标识指示。
如果与特征向量相关联的对象不能被分类器模块212_1识别为与任何已知身份相关联，则分类器模块212_1可以将与所述对象相关联的验证指令发送给对象检测设备230，使得对象检测设备230可以对所述对象进行验证。如果由对象检测设备230进行的验证成功，则对象检测设备230可以请求对象的身份。此外，对象检测设备230可以将所述对象的身份发送给服务器210。分类器模块212_1可以将所述对象的身份与所述特征向量相关联。服务器210中的训练模块212_2可以使用服务器210接收到的特征向量来训练识别所述对象的身份的能力，并且分类器模块212_1可以以识别所述对象的身份的能力来更新。
在一些实施例中，服务器210可以接收多个特征向量，例如，特征向量1至20。分类器模块212_1可以识别一些特征向量。例如，分类器模块212_1可以识别第一和第二特征向量是所述第一对象的特征向量而第十四特征向量是所述第二对象的特征向量。服务器210还可以从对象检测设备230接收信息，指示特征向量1至10是一个对象的特征向量而特征向量11至20是另一对象的特征向量。对应地，分类器模块212_1可以确定特征向量1至10与所述第一对象相关联而特征向量11至20与所述第二对象相关联。此外，训练模块212_2可以使用特征向量1至10来训练或改进识别所述第一对象的能力并使用特征向量11至20来训练或改进识别所述第二对象的能力。在一些实施例中，识别对象是指识别所述对象的身份。
图3示出了本发明实施例提供的方法300的流程图。方法300可以由对象检测设备来执行，如图1所示的对象检测设备130_1、130_2或130_3或如图2所示的对象检测设备230。
在操作301中，所述对象检测设备可以在第一时刻获得包括第一对象的第一图片。在一些实施例中，所述第一图片可以从另一设备接收或者由所述对象检测设备通过所述对象检测设备中的传感器来捕获。所述传感器可以是光传感器、热传感器或光传感器和热传感器的组合。所述第一图片可以是彩色照片，如红绿蓝三原色(red,green and blue，简称RGB)图片或黑白图片。在一些实施例中，所述第一图片可以是照片或图案。在一些实施例中，操作301可以由对象检测设备230中的传感器236或Tx/Rx设备234来执行。
在操作302中，所述对象检测设备可以基于所述第一图片确定所述第一对象的第一特征图案。在一些实施例中，对象的特征图案可以是所述对象的特定特征的图案，其中，所述特定特征将所述对象与其他对象区分开。例如，人的特征图案可以是将该人与动物，如狗或猫区分开的人的脸。所述第一特征图案可以通过在所述第一图片上应用多个空间域操作层来确定。操作层i的输入是前一个操作层i-1的输出，且前一个操作层i-1的输出是大小为(Xi，Yi，Ci)的3D数据立方。所述数据立方中的每个数据都是已知类型的数字，如32位浮点数类型。第一操作层的输入是所述第一图片的像素值，其中，X1是图片的宽度，Y1是图片的高度，C1是图片的信号信道，如红绿蓝三原色(red，green and blue，简称RGB)信道或灰色信道(黑白图片)。在每一层中，空间域操作可以是在操作层的输入数据立方的每个信道内的二维(two-dimensional，简称2-D)滤波器或者是横跨操作层的输入数据立方的不同信道上的3D滤波器。每个信道是大小为(Xi，Yi)的输入数据立方的分片。例如，2-D空间域滤波器能够基于输入数据立方中的数据的本地邻域中的周围数据为输入数据立方中的数据生成一个值，并且所述本地邻域在所述输入数据立方的信道内。3D空间域滤波器能够基于输入数据立方中的数据的本地邻域中的周围数据为输入数据立方中的数据生成一个值，并且所述本地邻域横跨多个信道。区域确定层可以在多个空间域操作层之后使用，其中，为图片中的对象确定位置。例如，K.Simonyan和A.Zisserman在ICLR 2015中发表的文章“用于大规模图像识别的极深卷积网络”中描述的卷积层能够作为所述多个空间域操作层。S.Ren等人在NIPS 2015中发表的文章“更快的RCNN：通过区域提议网络进行实时对象检测”中描述的区域提议网络能够作为区域确定层。在一些实施例中，操作302可以由对象检测设备230中的图案模块232_1来执行。
在操作303中，所述对象检测设备可以基于所述第一特征图案生成所述第一对象的第一特征图。在一些实施例中，基于特征图案的特征图可以包括从所述特征图案计算的三维(three-Dimensional，简称3D)参数。例如，所述第一特征图可以包括通过将多个空间域聚合操作层应用于所述第一特征图案而计算的3D参数。操作层j的输入是前一个操作层j-1的输出，且前一个操作层j-1的输出是大小为(Xj，Yj，Cj)的3D数据立方。所述数据立方中的每个数据都是已知类型的数字，如32位浮点数类型。第一操作层的输入是操作302中生成的特征图案。在每一层中，空间域聚合操作可以是操作层的输入数据立方的信道内的2-D聚合滤波器或者是横跨操作层的输入数据立方的信道上的3D聚合滤波器。例如，2-D聚合滤波器能够基于输入数据立方中的数据的本地邻域中的周围数据为输出数据立方中的数据生成一个值，并且所述本地邻域在所述输入数据立方的信道内。3D聚合滤波器能够基于输入数据立方中的数据的本地邻域中的周围数据为输出数据立方中的数据生成一个值，并且所述本地邻域横跨多个信道。最后一个操作层的输出是特征图。例如，R.Girshick在ICCV2015中发表的文章“快速的RCNN”中描述的ROI池层能够用于基于特征图案生成特征图。在一些实施例中，操作303可以由对象检测设备230中的图模块232_2来执行。
在操作304中，所述对象检测设备可以基于所述第一特征图生成所述第一对象的第一特征向量。在一些实施例中，对象的特征向量可以包括从所述对象的特征图导出的一维(one-Dimensional，简称1-D)参数。通过将多个操作层应用于所述对象的特征图，从所述特征图导出所述特征向量。操作层k的输入是前一个操作层k-1的输出，且前一个操作层k-1的输出是大小为(Xk，Yk，Ck)的3D数据立方。所述数据立方中的每个数据都是已知类型的数字，如32位浮点数类型。第一操作层的输入是操作303中生成的特征图。在每一层中，输出数据立方中的每个数据通过首先对输入数据立方中的所有数据进行加权组合，然后将非线性函数应用于加权组合值来计算。最后一个操作层的输出是特征向量。例如，F.Schroff等人在CVPR 2015中发表的包括完全连接层和L2归一化层的“Facenet：用于人脸识别与聚集的统一嵌入”中描述的网络的最后几层能够作为操作层，以从特征图中导出特征向量。在一些实施例中，操作304可以由对象检测设备230中的向量模块232_3来执行。
在操作305中，所述对象检测设备可以将所述第一特征向量发送给服务器。在一些实施例中，所述服务器可以是如图1所示的服务器110或如图2所示的服务器210。在一些实施例中，操作305可以由对象检测设备230中的Tx/Rx设备234来执行。
由于所述第一特征向量是基于所述第一特征图生成的，而不是基于所述第一图片直接生成的，因此，所述第一特征向量被有效地获得。
在一些实施例中，所述对象检测设备可以从所述服务器接收消息，其中，所述消息指示所述对象检测设备对所述第一对象进行验证。在一些实施例中，当服务器不能识别出第一对象与任何已知身份相关联时，所述服务器可以发送这种消息。所述对象检测设备在接收到所述消息之后，可以对所述第一对象进行验证。例如，所述对象检测设备可以请求所述第一对象输入密码，从而使得所述对象检测设备可以判断对所述第一对象的验证是否成功。当验证成功时，所述对象检测设备可以请求所述第一对象输入所述第一对象的标识。所述对象检测设备从所述第一对象接收到所述第一对象的标识后，可以将所述第一对象的标识发送给所述服务器。对象的标识可以指示所述对象的身份。
在一些实施例中，所述对象检测设备还可以在第二时刻获得包括第二对象的第二图片。所述对象检测设备还可以基于所述第二图片生成所述第二对象的第二特征向量。例如，所述对象检测设备可以基于所述第二图片确定第二特征图案，基于所述第二特征图案生成所述第二对象的第二特征图，然后基于所述第二特征图生成所述第二特征向量。所述对象检测设备在生成所述第二特征向量之后，可以将所述第二对象的第二特征向量发送给所述服务器。
在一些实施例中，所述对象检测设备还可以确定所述第一特征向量和所述第二特征向量是否与同一对象相关联。此外，所述对象检测设备可以通知所述服务器所述第一特征向量和所述第二特征向量是否与同一对象相关联。
在所述第一特征向量和所述第二特征向量与同一对象相关联的场景下，所述第一对象和所述第二对象实际上是相同的。在此种场景下，如果所述服务器基于所述第一特征向量识别所述第一对象，则所述服务器还可以在没有所述第二特征向量的识别的过程情况下识别所述第二对象。
在一些实施例中，如果所述服务器可以识别特征向量，则所述服务器可以使用识别出的特征向量来训练或改进识别与所述特征向量相关联的对象的能力。此外，所述服务器还可以基于识别出的特征向量生成一些更新信息，所述更新信息可以用于改进对象检测设备用于生成对象的特征向量的算法。例如，所述算法可以是操作302中的多个空间域操作层的参数、操作303中的多个空间域聚合层的参数或操作304中的多个操作层的参数。所述对象检测设备在从所述服务器接收到更新信息之后，可以因此基于所述更新信息更新所述算法。
图4示出了本发明实施例提供的方法400的流程图。方法400可以由如图1中的服务器110和图2中的服务器210的服务器执行以及由如图1中的对象检测设备130和图2中的对象检测设备230中的一个对象检测设备执行。所述服务器执行图4所示的一些操作以及所述对象检测设备执行图4所示的一些操作。
在操作401中，所述对象检测设备可以在第一时刻获得包括第一对象的第一图片。可选地，所述对象检测设备还可以在第二时刻获得包括第二对象的第二图片。
在一些实施例中，所述第一图片和所述第二图片可以从另一设备接收或者由所述对象检测设备通过所述对象检测设备中的传感器来捕获。所述传感器可以是光传感器、热传感器或光传感器和热传感器的组合。所述第一图片可以是彩色照片，如红绿蓝三原色(red,green and blue，简称RGB)图片或黑白图片。在一些实施例中，图片可以是照片或图案。在一些实施例中，操作401可以由对象检测设备230中的传感器236或Tx/Rx设备234来执行。
在操作402中，所述对象检测设备可以基于所述第一图片确定所述第一对象的第一特征图案。可选地，所述对象检测设备还可以基于所述第二图片确定所述第二对象的第二特征图案。对象的特征图案是将所述对象与其他对象区分开的图案。例如，人的特征图案可以是人的脸。在一些实施例中，操作402可以由对象检测设备230中的图案模块232_1来执行。
在操作403中，所述对象检测设备可以基于所述第一特征图案生成所述第一对象的第一特征图。可选地，所述对象检测设备还可以基于所述第二特征图案生成所述第二对象的第二特征图。基于特征图案的特征图可以包括所述特征图案中的3D特征。在一些实施例中，操作403可以由对象检测设备230中的图模块232_2来执行。
在操作404中，所述对象检测设备可以基于所述第一特征图生成所述第一对象的第一特征向量。此外，可选地，所述对象检测设备可以基于所述第二特征图生成所述第二对象的第二特征向量。对象的特征向量可以包括从所述对象的特征图导出的1-D特征。在一些实施例中，操作404可以由对象检测设备230中的向量模块232_3来执行。
在操作405中，所述对象检测设备可以将所述第一对象的第一特征向量发送给服务器。此外，可选地，所述对象检测设备可以将所述第二对象的第二特征向量发送给服务器。在一些实施例中，操作405可以由对象检测设备230中的Tx/Rx设备234来执行。
在操作406中，所述对象检测设备可以生成辅助信息，该辅助信息表示所述第一特征向量和所述第二特征向量是否与同一对象相关联。在一些实施例中，当特征向量与对象相关联时，可能意味着所述特征向量是所述对象的特征向量。操作406是可选的操作而不是必需的操作。当所述对象检测设备生成分别与一个对象相关联的多个特征向量时，由所述对象检测设备生成的辅助信息可以表示哪些特征向量与同一对象相关联。例如，当对象检测设备基于多个图片生成20个特征向量时，所述对象检测设备还可以确定特征向量1至10是一个对象的特征向量而特征向量11至20是另一对象的特征向量。然而，在一些实施例中，所述对象检测设备不能确定所述一个对象的标识和所述另一对象的标识。对象的标识可以指示所述对象的身份。在一些实施例中，操作406可以由对象检测设备230中的跟踪模块232_4来执行。在操作407中，所述对象检测设备可以将所述辅助信息发送给所述服务器。在一些实施例中，所述辅助信息可以使得所述服务器更有效地识别对象。在一些实施例中，操作406和407可以在操作403、404或405之后。在一些实施例中，操作407可以由对象检测设备230中的Tx/Rx设备234来执行。
在操作408中，所述服务器基于所述第一特征向量确定所述第一对象是否可识别。在一些实施例中，所述服务器还可以基于所述第二特征向量确定所述第二对象是否可识别。所述服务器可以在没有所述辅助信息的情况下确定所述第一对象和/或所述第二对象是否可识别。
在一些实施例中，如果所述服务器接收多个特征向量，则所述服务器可以利用在操作407中接收到的辅助信息来确定所述多个特征向量是否可识别。所述辅助信息与所述多个特征向量相关联。
例如，如果所述对象检测设备获得多个图片并从所述多个图片中确定20个特征图案，则所述对象检测设备可以因此基于所述20个特征图案生成20个特征向量，如特征向量1至20。所述对象检测设备可以确定哪些特征向量与一个对象相关联。所述对象检测设备可以确定特征向量1至10与一个对象相关联而特征向量11至20与另一对象相关联。然后，所述对象检测设备可以向服务器发送辅助信息，该辅助信息表示特征向量1至10与一个对象相关联而特征向量11至20与另一对象相关联。然而，所述对象检测设备不能确定所述一个对象和所述另一对象的标识。
在所述服务器确定特征向量2与所述第一对象相关联之后，所述服务器可以确定全部特征向量1至10与所述第一对象相关联。在所述服务器确定特征向量15与所述第二对象相关联之后，所述服务器可以确定全部特征向量11至20与所述第二对象相关联。这样，所述服务器不必判断所述所有的20个特征向量是否都是一一可识别的。当所述服务器确定特征向量可识别时，可能意味着所述服务器可以确定所述第一对象的标识，如所述第一对象的姓名。在识别出所述第一对象的第一特征向量之后，方法400可以进入操作409。当所述服务器确定所述第一对象的第一特征向量不可识别时，方法400可以进入操作410。在一些实施例中，操作408可以由服务器210中的验证模块232_5来执行。
在操作409中，所述服务器可以使用所述第一对象的第一特征向量和所述第一对象的标识来训练识别所述第一对象的能力。例如，训练所述能力可以包括保存第一对应关系，其中，所述第一对应关系可以是所述第一对象的第一特征向量与所述第一对象的标识之间的对应关系。又如，所述服务器可以保存替代对应关系，其中，所述替代对应关系可以是所述第一对象的简化的第一特征向量与所述第一对象的标识之间的对应关系。所述替代对应关系实际上可以被认为是基于所述第一对应关系生成的。当所述服务器基于所述替代对应关系识别所述第一对象时，可以理解为基于所述第一对应关系识别所述第一对象。
在一些实施例中，当所述服务器接收到与所述第一特征向量或所述简化的第一特征向量相同，相似或相匹配的新的特征向量时，所述服务器可以将所述新的特征向量识别为与所述第一对象相关联的特征向量。在一些实施例中，当所述服务器具有所述第一对象的多个识别的特征向量时，可以使用所述多个识别的特征向量来进一步训练识别所述第一对象的能力。在一些实施例中，操作409可以由服务器210中的验证模块232_5来执行。
在操作410中，所述对象检测设备可以从所述服务器接收指令。所述指令可以通知所述对象检测设备对所述第一对象进行验证。例如，所述指令可以通知所述对象检测设备对与所述第一特征向量相关联的对象进行验证。与所述第一特征向量相关联的所述对象实际上是所述第一对象本身。
所述对象检测设备可以基于所述指令对所述第一对象进行验证。在一些实施例中，所述对象检测设备可以请求所述第一对象输入密码或者可以使用任何其他信息来验证所述第一对象。所述密码可以通过所述对象检测设备的麦克风或键盘输入。如果验证成功，则方法400可以进入操作411。如果验证不成功，则方法400可以进入操作412。
在一些实施例中，如果所述服务器也不能识别所述第二对象，则所述对象检测设备还可以基于来自所述服务器的指令对所述第二对象进行验证。
在一些实施例中，操作410可以由对象检测设备232中的验证模块232_3来执行。
在操作411中，所述对象检测设备可以请求所述第一对象输入第一标识，如所述第一对象的姓名。之后，所述对象检测设备可以确定所述第一标识与所述第一特征向量相关联。此外，所述对象检测设备可以通知所述服务器所述第一标识与所述第一特征向量相关联。在操作409中，所述服务器可以使用所述第一标识和所述第一特征向量来训练识别所述第一对象的能力。在一些实施例中，操作411可以由对象检测设备232中的验证模块232_3来执行。
在操作412中，所述对象可以执行异常动作。例如，所述异常动作可以是发送告警。在一些实施例中，操作412可以由对象检测设备232中的验证模块232_5来执行。
本发明的一个实施例包括一种检测人的身份的系统，所述系统包括用于在第一时刻获得包括第一对象的第一图片的图片检测装置。所述系统还包括特征图案确定装置，用于由所述图片检测装置基于所述第一图片确定所述第一对象的第一特征图案。所述系统还包括生成装置，用于由所述图片检测装置基于所述第一特征图案生成所述第一对象的第一特征图。所述生成装置还用于由所述图片检测设备基于所述第一特征图生成所述第一对象的第一特征向量。所述系统还用于由所述图片检测装置和/或由发送装置将所述第一特征向量发送给服务器。
在一个实施例中，所述图片检测装置还用于在第二时刻获得包括第二对象的第二图片。这样，所述图片检测装置还用于基于所述第二图片生成所述第二对象的第二特征向量，以及所述发送装置还用于由所述图片检测装置和/或所述发送装置将所述第二特征向量发送给所述服务器。
虽然本发明中已提供若干实施例，但应理解，在不脱离本发明的精神或范围的情况下，所公开的方法和设备可以以许多其它特定形式来体现。本发明的实例应被视为说明性而非限制性的，且本发明并不限于本文中所给出的细节。例如，各种元件或组件可以在另一系统中组合或整合，或者某些特征可以省略或不实施。
此外，在不脱离本发明的范围的情况下，各种实施例中描述和说明为离散或单独的技术、系统、子系统和方法可以与其它系统、模块、技术或方法进行组合或集成。展示或论述为彼此耦合或直接耦合或通信的其它项也可以采用电方式、机械方式或其它方式经由某一接口、设备或中间组件间接地耦合或通信。其它改变、替代和更改的实例可以由本领域的技术人员在不脱离本文所公开的精神和范围的情况下确定。

Claims (20)

1.一种检测身份的方法，其特征在于，包括：
对象检测设备在第一时刻获得包括第一对象的第一图片；
所述对象检测设备基于所述第一图片确定所述第一对象的第一特征图案；所述对象检测设备基于所述第一特征图案生成所述第一对象的第一特征图；
所述对象检测设备基于所述第一特征图生成所述第一对象的第一特征向量；
所述对象检测设备将所述第一特征向量发送给服务器。
2.根据权利要求1所述的方法，其特征在于，还包括：
所述对象检测设备在第二时刻获得包括第二对象的第二图片；
所述对象检测设备基于所述第二图片生成所述第二对象的第二特征向量；
所述对象检测设备将所述第二特征向量发送给所述服务器。
3.根据权利要求1至2中任一项所述的方法，其特征在于，还包括：
所述对象检测设备获得所述第一对象的基本图案信息；
所述对象检测设备获得所述第二对象的基本图案信息；
所述对象检测设备基于所述第一对象的基本图案信息和所述第二对象的基本图案信息确定所述第一特征向量和所述第二特征向量与同一对象相关联；
所述对象检测设备通知所述服务器所述第一特征向量和所述第二特征向量与所述同一对象相关联。
4.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
所述对象检测设备从所述服务器接收消息，其中，所述消息指示对所述第一对象进行验证。
5.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：
所述对象检测设备确定对所述第一对象的验证成功；
所述对象检测设备从所述第一对象接收所述第一对象的标识；
所述对象检测设备将所述第一对象的标识发送给所述服务器。
6.根据权利要求1至5中任一项所述的方法，其特征在于，包括：
所述对象检测设备从所述服务器接收用于生成对象的一组特征向量的算法的更新信息；
所述对象检测设备基于接收到的所述更新信息更新所述算法。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述第一特征图案是所述第一对象的特定特征的图案，其中，所述特定特征将所述第一对象与其它对象区分开。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述第一特征图包括基于所述第一特征图案的三维参数。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述第一特征向量包括基于所述第一特征图的一维参数。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述第一图片是从另一设备接收到的或者由所述对象检测设备捕获的。
11.一种对象检测设备，其特征在于，包括：
包含指令的非瞬时性存储器；
与所述存储器通信的处理器，其中，所述处理器用于执行所述指令以：
在第一时刻获得包括第一对象的第一图片；
基于所述第一图片确定所述第一对象的第一特征图案；
基于所述第一特征图案生成所述第一对象的第一特征图；
基于所述第一特征图生成所述第一对象的第一特征向量；
将所述第一特征向量发送给服务器。
12.根据权利要求11所述的对象检测设备，其特征在于，所述处理器还用于执行所述指令以：在第二时刻获得包括第二对象的第二图片；
基于所述第二图片生成所述第二对象的第二特征向量；
将所述第二特征向量发送给所述服务器。
13.根据权利要求11至12中任一项所述的对象检测设备，其特征在于，所述处理器还用于执行所述指令以：
获得所述第一对象的基本图案信息；
获得所述第二对象的基本图案信息；
基于所述第一对象的基本图案信息和所述第二对象的基本图案信息确定所述第一特征向量和所述第二特征向量与同一对象相关联；
通知所述服务器所述第一特征向量和所述第二特征向量与所述同一对象相关联。
14.根据权利要求11至13中任一项所述的对象检测设备，其特征在于，所述处理器还用于执行所述指令以：
从所述服务器接收消息，其中，所述消息指示对所述第一对象进行验证。
15.根据权利要求11至14中任一项所述的对象检测设备，其特征在于，所述处理器还用于执行所述指令以：
确定对所述第一对象的验证成功；
从所述第一对象接收所述第一对象的标识；
将所述第一对象的标识发送给所述服务器。
16.根据权利要求11至15中任一项所述的对象检测设备，其特征在于，所述处理器还用于执行所述指令以：
从所述服务器接收用于生成对象的一组特征向量的算法的更新信息；
基于接收到的所述更新信息更新所述算法。
17.根据权利要求11至16中任一项所述的对象检测设备，其特征在于，所述第一特征图案是所述第一对象的特定特征的图案，其中，所述特定特征将所述第一对象与其它对象区分开。
18.根据权利要求11至17中任一项所述的对象检测设备，其特征在于，所述第一特征图包括基于所述第一特征图案的三维参数。
19.根据权利要求11至18中任一项所述的对象检测设备，其特征在于，所述第一特征向量包括基于所述第一特征图的一维参数。
20.根据权利要求11至19中任一项所述的对象检测设备，其特征在于，所述第一图片是从另一设备接收到的或者由所述对象检测设备捕获的。
CN201780069567.6A 2016-11-15 2017-11-14 自动身份检测 Active CN110235136B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/352,301 US10460153B2 (en) 2016-11-15 2016-11-15 Automatic identity detection
US15/352,301 2016-11-15
PCT/CN2017/110880 WO2018090905A1 (en) 2016-11-15 2017-11-14 Automatic identity detection

Publications (2)

Publication Number Publication Date
CN110235136A true CN110235136A (zh) 2019-09-13
CN110235136B CN110235136B (zh) 2022-05-13

Family

ID=62107943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780069567.6A Active CN110235136B (zh) 2016-11-15 2017-11-14 自动身份检测

Country Status (3)

Country Link
US (1) US10460153B2 (zh)
CN (1) CN110235136B (zh)
WO (1) WO2018090905A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI756687B (zh) * 2019-12-09 2022-03-01 大陸商支付寶（杭州）信息技術有限公司 防止隱私資料洩漏的編碼模型訓練方法及裝置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382602A (zh) * 2018-12-28 2020-07-07 深圳光启空间技术有限公司 一种跨域人脸识别算法、存储介质及处理器

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104504A1 (en) * 2004-11-16 2006-05-18 Samsung Electronics Co., Ltd. Face recognition method and apparatus
CN1858773A (zh) * 2005-04-30 2006-11-08 中国科学院计算技术研究所 一种基于Gabor相位模式的图像识别方法
CN101641049A (zh) * 2007-03-21 2010-02-03 光谱辨识公司 基于局部一致特征的生物测定
US7957584B2 (en) * 2005-04-19 2011-06-07 Siemens Corporation Fast object detection for augmented reality systems
US20110135167A1 (en) * 2008-07-10 2011-06-09 Nec Corporation Personal authentication system and personal authentication method
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
US20130155063A1 (en) * 2011-12-20 2013-06-20 Apple Inc. Face Feature Vector Construction
CN103745235A (zh) * 2013-12-18 2014-04-23 小米科技有限责任公司 人脸识别方法、装置及终端设备
CN103870559A (zh) * 2014-03-06 2014-06-18 海信集团有限公司 一种基于播放的视频获取信息的方法及设备
US20140193071A1 (en) * 2013-01-10 2014-07-10 Electronics And Telecommunications Research Institute Method and apparatus for detecting and recognizing object using local binary patterns
CN104731964A (zh) * 2015-04-07 2015-06-24 上海海势信息科技有限公司 基于人脸识别的人脸摘要方法、视频摘要方法及其装置
CN105138993A (zh) * 2015-08-31 2015-12-09 小米科技有限责任公司 建立人脸识别模型的方法及装置
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105450411A (zh) * 2014-08-14 2016-03-30 阿里巴巴集团控股有限公司 利用卡片特征进行身份验证的方法、装置及系统
CN105745667A (zh) * 2013-09-20 2016-07-06 移动搜索安全有限责任公司 工具和文件认证系统
CN105897747A (zh) * 2016-05-27 2016-08-24 北京中金国信科技有限公司 基于数字生物签名的数据存储方法、装置及智能设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8311294B2 (en) * 2009-09-08 2012-11-13 Facedouble, Inc. Image classification and information retrieval over wireless digital networks and the internet
WO2016026063A1 (en) 2014-08-21 2016-02-25 Xiaoou Tang A method and a system for facial landmark detection based on multi-task
US9405965B2 (en) * 2014-11-07 2016-08-02 Noblis, Inc. Vector-based face recognition algorithm and image search system
WO2016119076A1 (en) 2015-01-27 2016-08-04 Xiaoou Tang A method and a system for face recognition
US9986289B2 (en) * 2015-03-02 2018-05-29 The Nielsen Company (Us), Llc Methods and apparatus to count people
US10559062B2 (en) * 2015-10-22 2020-02-11 Korea Institute Of Science And Technology Method for automatic facial impression transformation, recording medium and device for performing the method

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104504A1 (en) * 2004-11-16 2006-05-18 Samsung Electronics Co., Ltd. Face recognition method and apparatus
US7957584B2 (en) * 2005-04-19 2011-06-07 Siemens Corporation Fast object detection for augmented reality systems
CN1858773A (zh) * 2005-04-30 2006-11-08 中国科学院计算技术研究所 一种基于Gabor相位模式的图像识别方法
CN101641049A (zh) * 2007-03-21 2010-02-03 光谱辨识公司 基于局部一致特征的生物测定
US20110135167A1 (en) * 2008-07-10 2011-06-09 Nec Corporation Personal authentication system and personal authentication method
US20130155063A1 (en) * 2011-12-20 2013-06-20 Apple Inc. Face Feature Vector Construction
CN103198292A (zh) * 2011-12-20 2013-07-10 苹果公司 人脸特征向量构建
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
US20140193071A1 (en) * 2013-01-10 2014-07-10 Electronics And Telecommunications Research Institute Method and apparatus for detecting and recognizing object using local binary patterns
CN105745667A (zh) * 2013-09-20 2016-07-06 移动搜索安全有限责任公司 工具和文件认证系统
CN103745235A (zh) * 2013-12-18 2014-04-23 小米科技有限责任公司 人脸识别方法、装置及终端设备
CN103870559A (zh) * 2014-03-06 2014-06-18 海信集团有限公司 一种基于播放的视频获取信息的方法及设备
CN105450411A (zh) * 2014-08-14 2016-03-30 阿里巴巴集团控股有限公司 利用卡片特征进行身份验证的方法、装置及系统
CN104731964A (zh) * 2015-04-07 2015-06-24 上海海势信息科技有限公司 基于人脸识别的人脸摘要方法、视频摘要方法及其装置
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105138993A (zh) * 2015-08-31 2015-12-09 小米科技有限责任公司 建立人脸识别模型的方法及装置
CN105897747A (zh) * 2016-05-27 2016-08-24 北京中金国信科技有限公司 基于数字生物签名的数据存储方法、装置及智能设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI756687B (zh) * 2019-12-09 2022-03-01 大陸商支付寶（杭州）信息技術有限公司 防止隱私資料洩漏的編碼模型訓練方法及裝置

Also Published As

Publication number Publication date
US10460153B2 (en) 2019-10-29
US20180137345A1 (en) 2018-05-17
CN110235136B (zh) 2022-05-13
WO2018090905A1 (en) 2018-05-24

Similar Documents

Publication Publication Date Title
US11676408B2 (en) Identification of neural-network-generated fake images
JP6629513B2 (ja) ライブネス検査方法と装置、及び映像処理方法と装置
CN108416902A (zh) 基于差异识别的实时物体识别方法和装置
TW202026948A (zh) 活體檢測方法、裝置以及儲存介質
JP5450089B2 (ja) 対象検出装置および対象検出方法
CN109753928A (zh) 违章建筑物识别方法和装置
EP4035070B1 (en) Method and server for facilitating improved training of a supervised machine learning process
TW201118804A (en) Method and system for object detection
CN109635661B (zh) 一种基于卷积神经网络的远场无线充电接收目标检测方法
US20180173940A1 (en) System and method for matching an object in captured images
CN111680675B (zh) 人脸活体检测方法、系统、装置、计算机设备和存储介质
US10764563B2 (en) 3D enhanced image correction
US20220028114A1 (en) Method and System for Calibrating a Camera and Localizing Objects Within the Camera Field of View
CN111104833A (zh) 用于活体检验的方法和装置，存储介质和电子设备
Liang et al. Image-based positioning of mobile devices in indoor environments
Liu et al. Aurora guard: Real-time face anti-spoofing via light reflection
KR101176743B1 (ko) 객체 인식 장치 및 방법과 이를 이용한 정보 컨텐츠 제공 장치 및 정보 컨텐츠 관리 서버
CN110235136A (zh) 自动身份检测
Żak et al. Local image features matching for real-time seabed tracking applications
CN114494990A (zh) 一种目标检测方法、系统、终端设备及存储介质
JP7264308B2 (ja) 二次元顔画像の２つ以上の入力に基づいて三次元顔モデルを適応的に構築するためのシステムおよび方法
CN115937596A (zh) 目标检测方法及其模型的训练方法、设备以及存储介质
Cheng et al. [Retracted] DTFA‐Net: Dynamic and Texture Features Fusion Attention Network for Face Antispoofing
Ramachandra et al. Real-time energy audit of built environments: Simultaneous localization and thermal mapping
CN114581978A (zh) 人脸识别的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant